Kajian Pemodelan Data Deret Waktu yang Menyebar Binomial Negatif dan Berpola Musiman

Abstract

Analisis deret waktu merupakan prosedur analisis data dengan pengaruh waktu dan dilakukan untuk meramalkan suatu kemungkinan keadaan kedepan. Tahapan penting dalam analisis data deret waktu yaitu menemukan pola data sehingga dapat ditentukan metode yang tepat untuk memodelkan data tersebut. Salah satu jenis pola data deret waktu yaitu pola musiman. Data berpola musiman terjadi ketika adanya pola perubahan yang berulang dalam periode musim misalnya satu tahun untuk data bulanan. Metode peramalan pada data deret waktu berpola musiman ialah metode Seasonal Autoregressive Moving Average (SARIMA). Namun metode SARIMA hanya terbatas pada data yang menyebar normal, oleh sebab itu pada beberapa kasus syarat tersebut tidak dapat terpenuhi contohnya pada peramalan data diskrit. Sehingga diperlukan suatu metode yang dapat mengakomodasi data berpola musiman dan tidak menyebar normal misalnya untuk data yang menyebar binomial negatif. Metode yang dapat mengakomodasi data berpola musiman dan menyebar binomial negatif adalah metode Generalized Seasonal Autoregressive Integrated Moving Average (GSARIMA). Berdasarkan perkembangan machine learning saat ini, maka pada penelitian ini akan digunakan metode berbasis machine learning yaitu model Seasonal Support Vector Regression (SSVR). Metode SSVR merupakan salah satu metode yang dapat mengenali pola data deret waktu berpola musiman. Penelitian ini bertujuan untuk mengkaji data deret waktu yang menyebar binomial negatif dan berpola musiman pada data jumlah hari hujan di Kota Bengkulu pada periode bulan Januari tahun 2000 hingga bulan Desember tahun 2020 dengan membandingkan metode Generalized Seasonal Autoregressive Integrated Moving Average (GSARIMA) dan metode Seasonal Support Vector Regression (SSVR). Adapun kriteria pemilihan model terbaik yang digunakan yaitu Mean Absolute Deviation (MAD). Diperoleh nilai MAD pada metode GSARIMA sebesar 3,16 dan pada metode SSVR sebesar 3,67. Berdasarkan hasil analisis tersebut dapat disimpulkan bahwa metode GSARIMA mempunyai kemampuan peramalan yang lebih baik dari pada metode SSVR pada jumlah hari hujan di kota Bengkulu periode bulan Januari 2000 hingga bulan Desember 2020. Kata kunci: Jumlah Hari Hujan, SARIMA, GSARIMA, SSVR

Time series analysis is a data analysis procedure with the influence of time and is carried out to predict a possible future situation. An essential step in time series data analysis is finding data patterns so that the appropriate method can be determined for modeling the data. One type of time series data pattern is a seasonal pattern. Seasonally patterned data occurs when repeated changes in the seasonal period, for example, one year for monthly data. The seasonal patterns forecasting method for time series data is the Seasonal Autoregressive Moving Average (SARIMA) method. However, the SARIMA method is only limited to data that is Normal distributed; therefore, in some cases these conditions cannot be fulfilled, for example, in discrete data forecasting. So we need a method that can accommodate seasonal patterned data and is not Normal distributed, for example, for data that has a negative binomial spread. The method that can accommodate seasonal patterned data and spreads negative binomials is the Generalized Seasonal Autoregressive Integrated Moving Average (GSARIMA) method. Based on the current development of machine learning, this research will use the Seasonal Support Vector Regression (SSVR) method. The Seasonal SVR method is one of the methods based on machine learning that can recognize seasonal patterned time series data patterns. This study aims to examine time-series data that spreads negative binomials and has a seasonal pattern on the data on the number of rainy days in Bengkulu City in the period January 2000 to December 2020 by comparing the Generalized Seasonal Autoregressive Integrated Moving Average (GSARIMA) method and Seasonal Support Vector Regression (SSVR) method. The criteria for selecting the best model used is the mean absolute deviation (MAD). The MAD value obtained in the GSARIMA method is 3,16 and the SSVR method is 3,67. Based on the analysis results, it can be concluded that the GSARIMA method has a better forecasting ability than the SSVR method on the number of rainy days in Bengkulu city for the period January 2000 to December 2020. Keywords: Number of Rainy Days, SARIMA, GSARIMA, SSVR